CC BY
35
УДК 62-533.7, 004.896
Интеллектуальная система управления фотоэлектрическим энергокомплексом на базе адаптивного нейроконтроллера
Е. А. Энгель,
Хакасский государственный университет им. Н. Ф. Катанова, г. Абакан, кандидат технических наук, доцент
В рамках концепции интеллектуальной электроэнергетической системы с активно-адаптивной сетью разработана система управления фотоэлектрическим энергокомплексом на базе адаптивного нейроконтроллера в форме нечёткой селективной нейросети. Разработанный нейроконтроллер обеспечивает эффективное управление в условиях случайных возмущающих воздействий. Решена актуальная проблема организации взаимодействия низшего и среднего уровней управления в следующем виде: нейросете-вая обработка информации технического учёта электроэнергии, нечёткая идентификация на её основе режима фотоэлектрического энергокомплекса и нейроуправление с учётом идентифицируемого режима.
Ключевые слова: управление, фотоэлектрическая установка, интеллектуальная система, нейро-контроллер.
Солнечная энергетика - наиболее динамично развивающееся направление возобновляемой энергетики. Однако фотоэлектрическая установка не является достаточно дешёвым, а главное, стабильным решением, поскольку её функционирование зависит от плотности потока солнечного излучения. Развитие распределённой генерации и внедрение новых информационных в энергетике технологий требуют применения активно-адаптивных распределительных сетей и интеграции с возобновляемыми источниками энергии, а также хранилищами энергии большой ёмкости.
Вопросы координации работы интегрированной энергосети решаются посредством создания так называемой виртуальной электростанции [1].
6. Интеллектуальное управление (с целеполаганием)
5. Интеллектуальное управление (без целеполагания)
4. Адаптивное управление
3. Робастное управление
2. Управление с обратной связью, «классическое»
1. Программное управление (разомкнутое управление)
1
св
^
а
ш
Ч
Ч
ш
^
я
с?
я
и
о
а
^
с?
я
ш
Э
3
и
о
я
ш
я
ш
ч
и
св
а
я
св
К
Виртуальная электростанция с фотоэлектрической установкой, традиционными источниками электроэнергии, сетью и накопителем большой ёмкости -это фотоэлектрический энергокомплекс, являющийся сложным нелинейным многорежимным объектом. Современное развитие науки и техники предъявляет всё более высокие требования к точности систем управления нелинейными электроэнергетическими объектами с нечёткими характеристиками (рис. 1 а) [2].
Классические методы управления описываются большим количеством дифференциальных уравнений, что требует увеличения объёмов расчётов и времени их обработки. Поэтому они не могут существенно повысить качество, быстродействие и точ-
Умозаключения на основе мощных логик (медленные и высокоуровневые интеллектные процессы формирования управления)
Инструктивные (логически ограниченные) умозаключения, нечёткие продукционные правила (продукционные: «если - то»)
Рефлекторные реакции (формирование управлений на искусственных нейронных сетях)
К
¡»
я
¡»
а
л
ф
Я
ф
я
о
а
сг
Ё
ф
я
а
от
Е
о
►э
о
ь
ф
ас
о
►Э
а
3
а
г
Рис. 1. Уровни зрелости управления (а) и разделение подходов по уровню управления (б)
ность управления нелинейными электроэнергетическими объектами (НЭО) в условиях нечёткой, неточной информации, поскольку НЭО не формализуемы. Управление на основе нечёткой логики и нейросетей (рис. 1 б) имеет в данном случае такие преимущества, как идентификация режимов посредством эффективного анализа статических и динамических характеристик и простота оптимизации сложных законов управления (минуя процесс разработки математических моделей НЭО). Недостатки традиционных технологий управления на фоне преимуществ нечётких и нейросетевых методов актуализируют проблему разработки эффективной интеллектуальной системы автоматического управления, особенно в условиях воздействия различных внешних и внутренних факторов неопределённости, действующих на систему [3].
В последние годы в электроэнергетике, в том числе децентрализованной, интеллектуальные регуляторы на базе нечёткой, нейросетевой или нейронечёткой технологии эффективно заменяют широко используемые аналоговые ПИД-регулято-ры [3]. В отличие от ПИД-регуляторов интеллектуальные описывают нелинейный закон управления, расширяющий рабочий диапазон и улучшающий показатели качества переходных процессов, и поддерживают реализацию на базе современных контроллеров и нейропроцессоров, имеющих высокие вычислительные возможности и низкую стоимость и обеспечивающих необходимую точность систем нейроуправления.
Проблема синтеза эффективной интеллектуальной системы управления фотоэлектрическим энергокомплексом решена в нашем случае посредством разработки адаптивного нейро-котроллера, формирующего эффективные управляющие воздействия на основе нечёткой процедуры идентификации режима работы указанного энергокомплекса с использованием среды МаШЬ БтиНпк.
Модель фотоэлектрического энергокомплекса на основе ПИД-регуляторов
Модель фотоэлектрического энергокомплекса с ПИД-регуляторами, рассматриваемая в качестве примера, содержит:
- фотоэлектрические преобразователи солнечной энергии, вырабатывающие максимум 100 кВт при плотности потока солнечного излучения 1 кВт/м2;
- конвертер повышения на 5 кГц, увеличивающий напряжение постоянного тока солнечной батареи до 500 В (при максимальной мощности солнечного излучения постоянный ток равен 272 В);
- трёхуровневый трёхфазный преобразователь напряжения (1980 Гц), преобразующий постоянный ток (500 В) в переменный (260 В);
- конденсаторный банк мощностью 10 кВАр, фильтрующий гармонику, произведённую трёхуровневым трёхфазным преобразователем напряжения;
- трёхфазный сдвоенный трансформатор 100 кВА/260 В/25 кВ;
- сеть 25 кВ.
Шаги дискретизации электрической схемы и системы управления указанной модели составляют соответственно 10-3 и 10-1 секунд модельного времени.
Рассматриваются два контура управления фотоэлектрическим энергокомплексом, использующие ПИД-регуляторы: внешний контур (рис. 2 а), регулирующий постоянное напряжение в диапазоне 250 В, и внутренний контур (рис. 2 б), регулирующий текущую активную (1Л) и реактивную (1д) мощности.
Интеллектуальная система управления фотоэлектрическим энергокомплексом в форме нечёткой селективной нейросети
Характеристики фотоэлектрического энергокомплекса зависят от плотности потока солнечного излучения, представляющего собой сложный нестационарный случайный процесс. Это определяет
Рис. 2. Внешний (а) и внутренний (б) контуры управления на основе ПИД-регулятора модели
фо тоэлектрического энергокомплекса
3^ж!Ии1иии1Шй1мнймашнш11нинни1им^манм1аш1а
сложность и принципиальную нелинейность интеллектуальной системы управления фотоэлектрическим энергокомплексом и актуализируют её разработку в форме нечёткой селективной нейросети [4].
Нечёткая селективная нейросеть настраивается на наборе, содержащем точки экспериментальных данных:
^ = (у1^), y2(t), y3(t), и1^), u2(t), и3^), ir(t), Q1(t),
д2^), ..., д21(Щ (1)
где t е {1, ..., Т} - моменты времени;
1г - плотность потока солнечного излучения; у, u - векторы выходов фотоэлектрического энергокомплекса и управляющих воздействий внутреннего (у1, и1) и внешнего (у2, и2) контуров управления, причём у1, и1 е R2; у2, и2 е R; Q - вектор характеристик фотоэлектрической системы: силы тока, напряжения и др.
Нечёткая селективная нейросеть реализует следующие преобразования: нейронечёткие, идентифицирующие ]-е устойчивое состояние фотоэлектрической системы, и нейросетевые и> = R(x), x = = (у, 1г, д), формирующие управляющие воздействия внутреннего и внешнего контуров управления соответственно.
Для каждого режима i е1...1 с помощью метода линеаризации обратной связью [5] теории автоматического управления формируется нейросетевой закон управления фотоэлектрическим энергокомплексом. Пусть динамика объекта управления описывается в пространстве состояний как
где m - размерность векторов выходов и управлений, т. е. фиксированное количество каналов управления;
fx(x) - кусочно-гладкие вектор-функции размерности п X 1; Ох(х) - матрица п X m.
Нейросетевой закон управления запишется в виде
где диагональ матрицы Ку содержит коэффициенты усиления т каналов управления.
Уравнения ошибки слежения задаётся на этапе синтеза:
где К - гурвицева матрица (задаётся вектором коэффициентов усиления к=[к0, к1,...,кр-1]Т); ё - неточности линеаризующего закона управления и возмущения.
Используя принцип линеаризации обратной связью, разработанный адаптивный нейроконтроллер реализует технологию нелинейного метода управления и решает обратную задачу динамики.
В рамках нейроэволюционного подхода два модуля адаптивного нейроконтроллера «1 и «2 фотоэлектрического энергокомплекса (моделирующих соответственно внутренний и внешний контуры) и их соединения соответствуют вершинам и рёбрам графа (рис. 3). Вершины и рёбра одного типа идентичны; каждый тип линии представляет определённую комбинацию параметров нейронной сети. Симметрия графа предполагает любую перестановку вершин. Набор всех симметрий графа формирует группу, например, на рис. 3 б группа симметрии графа СА является симметричной группой «4.
Контроллер для фотоэлектрической энергосистемы реализован как система соединённых нейросете-вых модулей «1 и «2, реализующих соответственно внешний и внутренний контуры управления. Некоторые из этих модулей и соединений могут быть идентичными, приводя к симметрии, т. е. перестановкам модулей, которые не меняют граф взаимосвязей контроллера. Симметрии анализируются с помощью теории групп, однако разработка надлежащей симметрии вручную сложна и даже может быть неосуществима.
С целью автоматизации решения указанной проблемы параметры нейросети оптимизируются вместе с её симметрией, как и в проекте ENSO [6], путём эволюции популяции максимально симметричных решений с самой простой структурой (рис. 3 б, в), состоящей из идентичных модулей и соединений. Во время коэволюции групповые мутации систематически повреждают симметричность, таким образом, исследуются менее симметричные, более сложные решения с различными типами модулей (задаваемых параметрами) и соединений. Каждая такая мутация создаёт новый граф таким образом, что его группа симметрии - случайная максимальная подгруппа исходной группы симметрии. Дерево линий используется как генотип (рис. 3 а). Фенотип адаптивного нейроконтроллера, формирующий управляющие воздействия в соответствии с идентифицируемым режимом фотоэлектрической энергосистемы, изображён на рис. 3 б. Каждый лист дерева представляет собой вершину и ребро графа фенотипа, имеющие те же значения параметров, хранящиеся в генотипе и состоящие из нейронов и весов связи для каждого блока сети. Вершина графа фенотипа представляет блок нейронной сети и связи между ними (рис. 3 г).
Каждый блок « имеет фиксированную архитектуру двуслойной нейросети, содержащей и1 + р1, 2 и р' нейронов во входном, скрытом и выходном слоях соответственно; / = 1,2, и1 - количество характеристик Qu1cQ, имеющих наибольшее влияние на выходы фотоэлектрического энергокомплекса, р1 - количество каналов управления. Переход от блока «1 к блоку «2 реализован посредством связи его выходного слоя со скрытым слоем целевого модуля.
Генотип si
С
с
Фенотип граф' s1
Ga
s2
Вершина: V
Ребра: Е
1
Функционирование контроллера, / = ] 2 t £ 0...Г
Вершина: si 1 n + 1+q'
Ox+9
граф s1 Gb "
б в
(ir, Q)
Of
Идентификация k-го режима на основе правил(5)
w!=wj! w 2= wj 2
Рис. 3. Структура интеллектуального контроллера фотоэлектрического энергокомплекса: а — генотип; б, в— фенотип; г — функционирование контролллера
Метод гибридных интеллектуальных вычислений реализует управление фотоэлектрическим энергокомплексом в форме нечёткой селективной нейросе-ти за два этапа.
1 этап. Формирование системы управления фотоэлектрическим энергокомплексом в форме настроенной нечёткой селективной нейросети включает следующие шаги.
0 шаг: на основе РСА исходных данных результатов моделирования (т = 108) вида (1) из 37 признаков отобраны 28, 3 и 7 независимых, имеющих наибольшее влияние соответственно на идентификацию режимов, выходы внешнего и внутреннего контуров управления фотоэлектрического энергокомплекса. То есть х е К28; п1 = 3; п2 = 7.
1 шаг: составляются антецеденты нечётких продукционных правил. На основе кластеризации расширяющимся нейронным газом [7] данных вида (1) (т = 108) составлены семь г3 - совокупностей нечётких множеств, А*, я = 1,7. На основе А* составляются значения многомерных функций принадлежности т (х) как степень близости объекта и центроида кластера А'| . Из семи совокупностей нечётких множеств г3 выбрана одна совокупность нечётких множеств Ар /=1,5, соответствующая наименьшему значению выражения
слое 2 нейрона, во входном слое n1 + p1 нейронов (n1 входов соответствуют для времени t характеристикам фотоэлектрической системы, p1 входов соответствуют текущим значениям выходов объекта управления yj(t); в выходном слое: p1 нейронов выдают управляющие воздействия uj (t + 1).
Генотип sj реализует нейросетевой закон управления. Составленная динамическая двуслойная ней-росеть обучается на наборе экспериментальных данных {Qn1, yj(t), uj(t)} (с целью повышения робастности в данные добавлен белый шум). Затем фенотипы на основе наборов экспериментальных данных (1) эволюционируют c использованием технологии NEAT [7] следующим образом: результат каждого этапа эволюции - синаптическая карта нейросети фенотипа используется как начальная точка для обучения нейросети структуры фенотипа алгоритмом Левенберга - Марквардта. В результате возвращаются графы-чемпионы Yj, которые далее называются настроенным фенотипами. Таким образом, формируются M настроенных фенотипов Yj, которые образуют М функций Yj = hj(Qn1, yj(t)).
3 шаг: составляются нечёткие продукционные правила
П;-: ЕСЛИ x есть Aj ТО Y' есть Yj,
(5)
где j = 1,5 .
где П - количество нечётких множеств в г3.
Составляются антецеденты нечётких продукционных правил
28 ; — 1
П ■: х есть А-, х е К28, у = 1,5.
2 шаг: формирование и настройка фенотипов для системы управления фотоэлектрическим энергокомплексом, составляющих консеквенты нечётких продукционных правил.
Для каждого нечёткого множества Аj j е {1, ..., 5} составляется генотип ^ как объект, инкапсулирующий двуслойную нейросеть, содержащую в скрытом
2 этап. Функционирование адаптивного нейроконт-роллера в форме нечёткой селективной нейросети.
1 шаг: нечёткая селективная нейросеть, заданная правилами (5), работает следующим образом. Агрегация антецедентов активирует к-е рабочее правило нечётких продукций, идентифицирующее на среднем уровне управления устойчивый к-й режим фотоэлектрического энергокомплекса.
2 шаг: соответствующая к-му режиму настроенных фенотипов Ук формирует управляющие воздействия ик(£) на момент I внутреннего (г = 1) и внешнего (г = 2) контуров управления.
Нейронные сети ^ в нелинейном контуре управления позволяют работать напрямую с общим видом
а
г
уравнений игр) = (£), угр)), не производя их
линеаризацию и учитывая все взаимосвязи между разными каналами управления р1. Разработанная на базе синтеза нейронных сетей, эволюционных вычислений и нечёткой логики нечёткая селективная нейро-сеть позволяет транслировать структурные и функциональные аспекты систем управления НЭО, т. е. осуществляет структурно-параметрический контроль фотоэлектрическим энергокомплексом.
Разработанная система отвечает по реализуемым функциям автоматического управления уровням 3-4 (рис. 1 а) и содержит два уровня интеллекта управления (рис. 1 б) [2]: низший уровень - нейросети, реализующие закон управления (4), средний уровень -нечёткие продукционные правила (5).
Разработанная энергосберегающая технология фотоэлектрической энергосистемы на базе адаптивного нейроконтроллера представляет собой интеллектуальную систему управления без целеполагания (рис. 4), функционирующую на основе гибридных интеллектуальных вычислений настроенной нечёткой селективной нейросети.
(ir, Q)
АН_
Настроенная
нечеткая селективная нейросеть
u (/)!—► РУ
АСТУЭ
ИМ
ФЭЭС
УМ
правил (5), а также уменьшить общую погрешность нечёткой селективной нейросети в среднем на 0,7 %.
Гибридные интеллектуальные вычисления 2 этапа реализуют функционирование системы в виде БтиНпк-модели в среде МаШЬ. При моделировании для имитации реальных условий воздействия возмущений в фотоэлектрической энергосистеме на входы адаптивного нейроконтроллера добавлен шум, являющийся распределением Гаусса с параметрами среднего значения 1 со стандартным отклонением 0,001. Подсистемы внешнего и внутреннего контуров управления БтиИпк-модели фотоэлектрического энергокомплекса на основе адаптивного нейроконтроллера и ПИД-регулятора представлены соответственно на рис. 5 и 2. Сравнение полученных в результате моделирования оценок качества на основе адаптивного нейроконтроллера (функционирующего в условиях возмущающих воздействий) и ПИД-регуляторов (функционирующих в отсутствие шума) выявило адекватность и эффективность разработанной системы в условиях возмущающих воздействий (рис. 6).
Рис. 4. Схема интеллектуальной системы управления фотоэлектрическим энергокомплексом на базе адаптивного нейроконтроллера: ИМ — исполнительный механизм; РУ — регулирующее устройство; y(t) — выходы фотоэлектрической системы; u(t) — управляющие воздействия
Выявленные на основе расширяющегося нейронного газа [7] в пространстве состояний фотоэлектрической системы устойчивые режимы, идентифицируемые на основе консеквентов нечётких правил (5), составляющих основу базы знаний разработанной системы, соответствуют концепции гранулярных вычислений и повышают эффективность управления.
Моделирование интеллектуальной системы управления фотоэлектрическим энергокомплексом на базе адаптивного нейроконтроллера
Разработанный метод гибридных интеллектуальных вычислений реализует систему управления фотоэлектрическим энергокомплексом средствами Matlab с использованием библиотек NEAT. Гибридные интеллектуальные вычисления 1 этапа -формирование, настройка нейросетевого фенотипа -реализованные средствами Matlab с использованием библиотек NEAT [6], сформировали ИСАУ фотоэлектрическим энергокомплексом. Разработанный алгоритм поиска наилучшей сегментации признакового пространства фотоэлектрической системы (1 шаг 1 этапа), формирующий многомерные функции, позволил автоматизировать синтез базы нечётких
Рис. 5. Подсистема внешнего и внутреннего контуров управления на основе Б'ипиПпк-модели фотоэлектрического энергокомплекса
120
со 100
1 я iv 80
О X il я е 60 40
I X др 20
<*! О 0
О ■8-
— ПИД-регулятор Адаптивный нейроконтрог
0,5
1 1,5 2
Время моделирования, с
2,5
Рис. 6. График средней мощности фотоэлектрической установки
Результаты моделирования выявили, что адаптивный нейроконтроллер в условиях возмущающих воздействий уменьшает время стабилизации и потери фотоэлектрического энергокомплекса даже в условиях резкого изменения внешних воздействий. На рис. 6 с 2,3 по 2,35 секунду при резком снижении плотности потока солнечного излучения с 1000 до 250 Вт/м2 адаптивный нейроконтроллер, в сравнении с ПИД-регуляторами, сокращает потери: по результатам 70 прогонов моделирования на интерва-
3
х 10
ле, соответствующем резкому снижению плотности потока солнечного излучения, в среднем на 37 % и на всём интервале моделирования в среднем на 20 %. Таким образом, адаптивный нейроконтроллер роба-стен к белому шуму, что обеспечивает реализацию эффективной системы управления фотоэлектрическим энергокомплексом в условии зашумлённости данных, полученных напрямую с датчиков АСТУЭ.
Для оценки потерь, связанных с неравномерностью работы или частичной освещённостью солнечных элементов солнечных батарей, проведено 50 экспериментов, моделирующих изменение плотности потока излучения, зависящей от расстояния до Солнца, потерь в стеклянном покрытии и угла падения излучения. При частичном затенении одиночного элемента или их группы снижение выходной мощности происходит вследствие уменьшения поступающей в элемент световой энергии и увеличения внутренних потерь энергии в неосвещённой части элемента. Уменьшение плотности потока излучения вследствие различных причин (туман, пыль) ведёт к значительному уменьшению тока короткого замыкания и мощности, отдаваемой солнечной батареей. Указанные процессы моделировались вычислительными блоками БтиНпк-модели фотоэлектрического энергокомплекса.
Рассчитанные при моделировании значения параметров фотоэлектрического энергокомплекса соответствуют эталонным значениям с погрешностью менее 2 %. Сравнение с теоретическими и практическими результатами изысканий российских и зарубежных исследователей качественных и количественных результатов моделирования БтиНпк-модели фотоэлектрического энергокомплекса (рис. 7)
_ 100 90
„ I 80
70 60 50 40 30 20 10 0
И
— ПИД-регулятор
- - • Адаптивный нейроконтроллер
0,5
1
2
1,5
Время моделирования, с
2,5
Рис. 7. График средней мощности фотоэлектрической установки в условиях неравномерности работы или
частичной освещенности
выявило адекватность и эффективность разработанной системы на базе адаптивного нейроконтроллера. Анализ выходных характеристик фотоэлектрического энергокомплекса в стандартных условиях, а также при различных уровнях освещённости, показал соответствие данных моделирования теоретическим и имеющимся экспериментальным значениям (погрешность результатов моделирования в серии 50 экспериментов не превысила 6 %).
Разработанная модель фотоэлектрического энергокомплекса применима при проектировании наземных и космических фотоэлектрических систем. Сфера использования фотоэлектрических преобразователей быстро расширяется. Модель фотоэлектрического энергокомплекса позволяет оценить энергетические возможности фотоэлектрических систем для различных условий окружающей среды с учётом конструктивных и технологических особенностей батареи. По результатам 120 экспериментов моделирования погрешность разработанной ИСАУ на базе адаптивного нейроконтроллера для фотоэлектрического энергокомплекса оценочно составляет 8 % с учётом погрешности входных данных и погрешности вычислений. Использование нечёткой селективной нейросети обеспечивает идентификацию с прогнозированием динамики фотоэлектрического энергокомплекса, что приводит, в сравнении с ПИД-регулятором, к повышению динамической точности (по результатам моделирования БтиНпк-модели настроенной нечёткой нейросети для управления фотоэлектрическим энергокомплексом в среде Ма^аЬ в среднем на 10 %). Модель фотоэлектрического энергокомплекса применима при решении задач отработки систем электропитания космических аппаратов. Представленная модель используется для построения интеллектуального имитатора фотоэлектрического энергокомплекса с компьютерным управлением. Интеллектуальный имитатор не только обеспечивает вычисление основных характеристик фотоэлектрической системы, но и оценивает изменение характеристик фотоэлектрического энергокомплекса в целом при различных воздействиях, приближая испытания к реальным условиям эксплуатации сложных фотоэлектрических систем.
Работа выполнена при поддержке РФФИ, проект № 14-41-0402-а
х
Литература
1. Бахтадзе Н. Н., Моржин Ю. Н., Ядыкин И. Б. Мультиагентная интеллектуальная иммунная система электроэнергетической системы с активно-адаптивной сетью / / Автоматизация в промышленности. -
2012. - № 4. - С. 61-64.
2. Васильев С. Н. Формализация знаний и управление на основе позитивно образованных языков / / Информационные технологии и вычислительные системы. - 2008. - № 1.
3. Макаров И. М., Лохин В. М., Манько С. В., Романов М. П., Ситников М. С. Устойчивость интеллектуальных систем автоматического управления / / Приложение к журналу «Информационные технологии». -
2013. - № 2.
3Аж1Ии1ии11Шй1мийинонш111ниийВ1мийМйймиваш1а
4. Энгель Е. А. Решение задач управления, принятия решений и обработки информации методом нечёткой селективной нейросети / / Информационные технологии. - 2012. - № 5.
5. Omidvar O. M., Elliott D. L. Neural Systems for Control. Elsevier, 1997.
6. Miikkulainen R., Valsalam V. K., Hiller J., MacCurdy R., Lipson H. Constructing controllers for physical mul-tilegged robots using the ENSO neuroevolution approach / / Evolutionary Intelligence. - 2012. - № 5.
7. Sledge I. J. Growing Neural Gas for Temporal Clustering / / IEEE, 2008.
Energy saving technology of PV system control with an adaptive neurocontroller E. A. Engel
Katanov State University of Khakassia, Abakan, PhD, associate professor
According to the Smart Grid conception we present the intelligent control system for a photovoltaic complex on the base of an adaptive neurocontroller and in the form of a fuzzy selective neural network. This controller is able to provide efficient control operation in random disturbing influence. We have resolved a problem of interaction between the low and medium control levels using neural processing of technical metering data, a PV complex mode, and neural control in conditions of an identified mode.
Keywords: control, photovoltaic installation, intelligent system, neurocontroller.
